APPROCHE ORIENTÉE-OBJET DE L’OCCUPATION

DES SOLS EN ZONE CÔTIÈRE

Lénaïg Sparfel, Françoise Gourmelon, Iwan Le Berre

To cite this version:

Lénaïg Sparfel, Françoise Gourmelon, Iwan Le Berre. APPROCHE ORIENTÉE-OBJET DE
L’OCCUPATION DES SOLS EN ZONE CÔTIÈRE. Teledetection, 2010, 8 (4), pp.237-256. �hal-
00559730�

HAL Id: hal-00559730

https://hal.science/hal-00559730
Submitted on 26 Jan 2011

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci-
entific research documents, whether they are pub-
lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
APPROCHE ORIENTÉE-OBJET DE
L’OCCUPATION DES SOLS EN ZONE
CÔTIÈRE

Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Laboratoire Géomer (UMR 6554 CNRS-LETG
Institut Universitaire Européen de la Mer
Université de Bretagne Occidentale
Technopôle Brest-Iroise,
29280 Plouzané cedex, France
lenaig.sparfel@univ-brest.fr, francoise.gourmelon@univ-brest.fr, iwan.leberre@univ-brest. fr
Soumis le 30 mai 2008, accepté le 11 septembre 2008- © Revue Télédétection, 2008, vol. 8, n° 4, p. 237-256

Résumé
L’objectif de cette contribution est de présenter les potentialités de la classification orientée-objet d’une image SPOT 5
à 10 mètres de résolution spatiale pour la création d’une couche d’information décrivant l’occupation des sols en zone
côtière. Une typologie spécifique en trois niveaux scalaires est mise en place pour le traitement de l’image. La méthode
d’extraction de l’information est fondée sur deux étapes principales. L’image est tout d’abord segmentée en régions
(segmentation multi-résolution) afin d’obtenir des objets significatifs. Puis des données spectrales, spatiales et
contextuelles sur ces objets sont recueillies afin d’orienter la classification en utilisant des fonctions statistiques
d’appartenance. A l’issue du traitement, les résultats sont intégrés sous la forme d’une couche vectorielle dans une
base d’information géographique pilotée par un SIG. La qualité de la classification est estimée à l’aide de matrices de
confusion. Pour l’image entière, la performance globale de la classification est de 88,5 % au niveau le plus grossier, de
78,7 % au niveau intermédiaire et de 75,1 % au niveau le plus fin, avec des résultats hétérogènes selon les classes. Par
rapport à une approche par photo-interprétation, la méthode fournit dans des délais relativement courts des
informations cohérentes dont la généalogie et la qualité sont décrites. Sur la zone côtière étudiée (Pays de Brest), la
démarche procure un état actualisé de l’occupation des sols selon une typologie à trois niveaux, cohérente par rapport
aux inventaires de référence (Corine Land Cover et l’Inventaire Permanent du Littoral).
Mots-clés: classification orientée-objet, occupation des sols, SPOT 5, zone côtière.

OBJECT-ORIENTED APPROACH OF COASTAL LAND COVER

Abstract
This paper deals with the use of an object-oriented classification approach for the identification of land cover types in a
coastal area from a 10 m SPOT 5 image. A three level land cover typology is designed. Significant image objects are
delineated using a multi-resolution segmentation algorithm. Decision rules using spectral, spatial and contextual
information are developed to classify these image objects. The results are exported as a shapefile in a GIS software,
and some attributes are modified to correspond to the three level typology. The classification accuracy is estimated with
confusion matrix using ground data and aerial orthoimages. The overall classification accuracy for the whole SPOT
image is 88,5 % at level 1, 78,7 % at level 2 and 75,1 % at level 3. Despite confusions for wetlands, some agricultural
lands and coniferous forests, the method shows high performance for coastal objects and for built-up surfaces.
Contrary to photo interpretation this method provides quite quickly quality-confirmed data created by transferable
decision rules. An updated three spatial levels land cover database on the studied coastal area is finally produced. This
database is coherent with other existing land cover data such as Corine Land Cover and Inventaire Permanent du
Littoral.
Keywords: object-oriented classification, land cover, coastal area, SPOT 5.

237
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

1. INTRODUCTION
Les estimations réalisées en 2006 par le CETE Méditerranée montraient que près de 10 % de la population française
(métropole) vivait de manière permanente dans les communes littorales dont l’emprise spatiale ne représente par
ailleurs que 4 % du territoire. Cette pression sur un espace naturellement restreint se traduit par de multiples enjeux
environnementaux, économiques et humains. Ils s’expriment notamment par des conflits d’usages et d’accès aux
ressources, difficilement gérables du fait d’une approche le plus souvent sectorielle des problèmes et d’une
juxtaposition de statuts et de compétences administratives et juridiques sur le littoral (Bersani et al., 2006).
Pourtant, en raison de sa richesse et de sa vulnérabilité, la zone côtière fait l’objet depuis les années 1970 d’une
attention croissante qui s’exprime globalement par le concept international de Gestion Intégrée de la Zone Côtière
(GIZC) (Cicin-Sain & Knecht, 1998). Sa mise en œuvre implique la mise en commun d’outils et de connaissances sur le
territoire concerné et ses caractéristiques, sur ses acteurs et ses enjeux. Dans ce contexte, l’analyse des changements
d’occupation des sols contribue à fournir des éléments pertinents pour l’établissement de diagnostics et l’élaboration de
prospectives environnementales. A titre d’exemple, on peut citer plusieurs initiatives engagées dans cette voie et à
différentes échelles: européenne avec le projet Eurosion mené à l’initiative de la direction générale de l’environnement
de la Commission européenne (http://www.eurosion.org/), nationale avec l’observatoire du littoral
(http://www.littoral.ifen.fr/) qui offrent l’accès aux données de CORINE Land Cover qui décrit l’évolution de
l’occupation du sol de 28 pays européens depuis 1990, et régionale avec le projet (en cours) d’actualisation de
l’Inventaire Permanent du LIttoral (IPLI) à l’échelle de la Bretagne par la Direction régionale de l’équipement suivant
l’exemple de la BDOCS produite par photo-interprétation en 2004 par la DRE Pays-de-Loire (http://www.pays-de-la-
loire.equipement.gouv.fr/).
Les limites des méthodes de photo-interprétation pour la production d’une donnée d’occupation des sols à grande
échelle et sur des territoires étendus sont bien connues: délais de traitement, hétérogénéité de l’interprétation, capacité
de mise à jour décennales qui les rend peu opérationnelles dans un contexte de suivi à court terme (Le Berre et al.,
2005). Pourtant, la production de l’IPLI, comme celle de CORINE Land Cover s’appuient sur de telles méthodes,
appliquées à des photographies aériennes (IPLI) ou bien à des images satellitaires (Spot et Landsat pour CORINE Land
Cover). Cela explique notamment que l’IPLI, à l’origine conçu comme un inventaire permanent n’ait pu tenir cet
engagement, ou seulement ponctuellement. Une seconde cartographie datant de 1982 a en effet été produite localement
et, plus récemment, certaines Directions régionales de l’Equipement se sont engagées dans son actualisation dans le
cadre des projets de BDOCS (Alsace, Pays-de-Loire, Bretagne…). Du côté de CORINE Land Cover, deux
cartographies sont désormais disponibles (1990 et 2000), mais leur échelle (1/100000) apparaît peu adaptée aux besoins
des gestionnaires et des collectivités sur le terrain.
Considérant, de plus, les limites liées à la photographie aérienne (variations radiométriques, missions décennales ou
quinquennales), de précédents travaux ayant pour objectif la cartographie de la zone côtière (trait de côte, occupation
des sols et de l’estran) (Le Berre et al., 2005) et plus spécifiquement l’inventaire de la végétation insulaire (Gourmelon
et al., 2005) se sont intéressés aux apports de l’imagerie SPOT5 haute résolution. En utilisant différentes
méthodes(photo-interprétation, traitement d’image et analyse spatiale), elles ont montré non seulement l’intérêt et les
limites de SPOT 5 par rapport à l’imagerie aérienne mais aussi les limites des méthodes de classification spectrale. Ce
constat converge avec celui dressé par de nombreux auteurs, relatif aux méthodes d’extraction de l’information des
images à haute et très haute résolution. En effet plus la résolution spatiale est fine, plus l’hétérogénéité des objets à
extraire croît, rendant les méthodes spectrales de moins en moins performantes (Blaschke & Strobl, 2001; Townshend
et al., 2000). Pour palier cette inadaptation des méthodes classiques aux images à haute résolution, des approches
«orientées-objets» se sont développées depuis une dizaine d’années en utilisant une gamme de critères plus large
(spectraux, spatiaux, contextuels…). Appliquées à différents types d’image, elles fournissent a priori de meilleurs
résultats que les méthodes uniquement basées sur les valeurs spectrales (Harken & Sugumaran, 2005; Kamagata et al.,
2005; Rego & Koch, 2003; Willhauck, 2000).
Néanmoins l’approche orientée-objet implique une connaissance experte de l’information à extraire, ce qui explique
probablement son utilisation «sectorielle». En effet la plupart des recherches qui l’utilisent concerne des types d’objets
précis tels que l’urbain ou la végétation (Chubey et al., 2006; Flanders et al., 2003; Hájek, 2005). Elle est également
utilisée pour mettre en évidence des changements spatiaux (Desclée et al., 2006; McDermid et al., 2003) tels que la
croissance urbaine (Aguejdad et al., 2006; Puissant & Weber, 2004). Les études visant à produire une information
exhaustive concernant l’occupation des sols sont peu nombreuses (Corbane et al., 2004, Lewinski, 2005; Lucas et al.,
2003, van der Sande et al., 2003), et à notre connaissance aucune d’entre elles ne concerne un territoire aussi complexe
que la zone côtière.
Dans ce contexte, notre recherche a pour objectif d’établir un bilan des dynamiques d’occupation des sols sur une
période significative d’environ 30 ans, à l’échelle d’un territoire littoral en utilisant des données géospatiales de sources
et de natures diverses. Cette contribution présente, une analyse critique des résultats acquis par une méthode de
classification orientée-objet employée pour extraire d’une image SPOT 5 l’occupation des sols en zone côtière.

238
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

2. SITE D’ETUDE ET DONNEES UTILISEES

2.1. Le Pays de Brest

L’application présentée concerne le Pays de Brest, situé à l’extrémité occidentale de la péninsule bretonne et
rassemblant 80 communes (soit 7 établissements publics de coopération intercommunale) autour de l’agglomération
brestoise (fig. 1). Sa localisation, sa configuration (3 700 km_ pour un linéaire côtier de 350 km) et la présence de
pratiquement tout le panel des activités possibles sur le littoral, confèrent à ce pays une dimension maritime indéniable.
Les enjeux liés sont considérables, qu’ils soient économiques (activités traditionnelles – agriculture, pêche – en crise,
forte croissance du tourisme, émergence de nouvelles activités – aquaculture, production d’énergie, etc. – sans oublier, à
Brest, la recherche océanographique et la Marine nationale), sociaux (progression démographique et densification de
l’urbanisation du littoral, évolution de la structure sociale) ou environnementaux avec notamment la création récente du
Parc naturel marin de l’Iroise. Conscient de ces enjeux, le Pays de Brest s’est engagé dans une démarche de GIZC dans
le cadre d’un projet-pilote qui s’inscrit dans les objectifs de la charte des espaces côtiers de Bretagne
(http://www.labretagneetlamer.fr/?q=charte). Ce projet fait également partie des 25 retenus par la DATAR dans le cadre
de l’appel d’offre «pour un développement équilibré des territoires littoraux par une gestion intégrée des zones côtières
(GIZC)»lancé en 2005.

Figure 1: Localisation du Pays de Brest et image HRG-XS de SPOT 5 à 10 m de résolution utilisée pour l’étude (Spot Image).
Figure 1: Location of the Pays de Brest and HRG-XS SPOT 5 scene study area.

2.2. Image SPOT 5

L’image exploitée (fig. 1) dans le cadre de cette étude a été acquise le 17 avril 2003 sur programmation dans le cadre de
l’appel d’offre «CNES-IFEN» relatif au suivi du littoral à grande échelle par imagerie SPOT 5
(http://www.littoral.ifen.fr/Travail-Cnes-Ifen.74.0.html). Cette image multibande à 10 m de résolution spatiale couvre
quasiment l’ensemble du pays de Brest, à l’exception de l’île Molène, des îlots de son archipel et du Cap de la Chèvre
(pointe sud de la presqu’île de Crozon).

2.3. Orthoimages
Deux jeux d’orthophotographies, acquises le 8 septembre 2004 en couleur naturelle et en proche infrarouge couleur,
sont mis à notre disposition par la communauté urbaine brestoise (Brest Métropole Océane –BMO). Les images en
couleurs naturelles sont en libre consultation et téléchargement à l’adresse suivante: http://www.brest-metropole-
oceane.fr/vueduciel/carroyage-orthophoto.html. Comptant chacun 400 dalles, ces jeux d’orthophotographies sont
disponibles à 20 cm de résolution spatiale et en projection Lambert 1 uniquement sur le territoire de BMO. Ces données
servent à la saisie de 150 points de contrôle environ destinés à la validation de la classification.

2.4. Données de terrain

Sur le territoire concerné par les six autres communautés de commune, 920 points de contrôle sont collectés sur le
terrain afin d’estimer la performance globale de la classification. Cette collecte est effectuée préalablement au
traitement de l’image, à raison de 20 à 50 points par classe au niveau le plus fin de la typologie mise en place pour le

239
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

traitement de l’image Les points sont définis par un échantillonnage au hasard, établi à partir d’une grille régulière de
points espacés de 2 km couvrant l’ensemble de l’image et complété par un échantillonnage stratifié pour les classes
sous-estimées lors de l’échantillonnage au hasard (Girard & Girard, 2004). Les coordonnées géographiques de chaque
point permettent de les localiser sur le terrain avec une marge d’erreur comprise entre 5 et 8m grâce à un GPS de type
eTrex-Garmin.

2.5. Base de données Carthage

La base de données sur la CARtographie THématique des AGences de l’Eau est utilisée au cours du traitement pour la
création d’une couche thématique «eau» permettant une meilleure classification de la classe «prairie humide». La BD
Carthage est un référentiel national hydrographique diffusé par Sandre ( Service d’Administration Nationale des
Données et Référentiels sur l’Eau: http://sandre.eaufrance.fr/) qui est chargé en particulier du Système d’Information
sur l’Eau (SIE) et qui a pour missions de rassembler et de diffuser tous les référentiels sur l’eau en France. La
BDCarthage est élaborée par les Agences de l’eau, sur la base de la BDCarto® de l’IGN qui fourni un référentiel
vectoriel exploitable au 1/50000, enrichi par de l’information thématique et spatiale concernant l’hydrographie.

3. DEMARCHE METHODOLOGIQUE

3.1 Principes méthodologiques généraux

Contrairement à l’approche classique «pixel à pixel», la démarche orientée-objet ne traite pas le pixel de manière
isolée, mais dans son contexte en regroupant des pixels au sein d’objets interprétés en se basant sur leurs valeurs
spectrales, leur taille, leur forme, leur contexte (Benz et al., 2004). Dans notre étude, le logiciel utilisé pour la
classification orientée-objet de l’image SPOT 5 est Definiens Professional v.5 (http://www.definiens.com, pour plus
d’informations, se reporter aux Definiens Professional 5 User Guide et Definiens Professional 5 Reference Book, 2006).
Il impose un traitement en trois principales étapes. Après l’importation des données vectorielles et matricielles
prétraitées (corrections géométriques ou radiométriques, géoréférencement) au sein d’un projet, l’image fait l’objet
d’une segmentation et d’une classification.

3.1.1. Importation des données

La première étape a pour but de préparer les données mobilisées lors de la classification. Le logiciel Definiens prend en
compte le géoréférencement des données et peut gérer des données spectrales du type orthophotographies ou images
satellitaires, mais également des couches thématiques en format vecteur et raster porteuses d’informations
complémentaires pour aider à la classification.

3.1.2. Segmentation de l’image

Cette étape consiste à effectuer une segmentation de l’image pour générer des objets, créés par une technique
ascendante de croissance de région. Au cours des itérations, les pixels sont progressivement fusionnés à leurs voisins
pour créer des objets de plus en plus grands, en respectant un seuil d’hétérogénéité prédéfini. Quand ce seuil est atteint,
le processus de fusion s’arrête. La procédure permet d’aboutir à la production d’objets adjacents de taille et de forme
similaires bien répartis dans l’espace. Le seuil d’hétérogénéité est calculé en fonction de plusieurs paramètres définis
par l’utilisateur tels que la couleur, qui renvoie à la valeur spectrale des objets, et la forme, qui correspond à la texture
des objets auxquels on peut attribuer un poids relatif. Le critère de forme se subdivise en deux autres critères: le lissage,
qui permet d’optimiser le résultat de la segmentation en fonction de la bordure lisse des objets, et la compacité des
objets. Le poids attribué à ces critères est le paramètre d’ajustement qui permet de réaliser la segmentation la plus
satisfaisante possible. Le critère de taille permet au processus de segmentation de s’arrêter. Plus ce paramètre est élevé,
plus les objets sont grands. On peut enfin faire varier le poids des différents canaux, spectraux ou thématiques, au sein
de la segmentation en fonction de leur importance ou pertinence pour le résultat final (Benz et al., 2004).
Le logiciel Definiens propose quatre types d’algorithmes pour la segmentation. Notre choix s’est porté sur la
segmentation multi-résolution qui autorise d’une part une analyse multi-échelle de l’image et d’autre part l’utilisation de
données de source et de nature diverses (Baatz & Schäpe, 2000). La notion d’analyse multi-échelle renvoie à la
démarche de photo-interprétation. La segmentation multi-résolution permet de transcrire les dépendances hiérarchiques
que l’on peut observer dans le monde réel, et de constituer une information supplémentaire pour l’identification d’objets
et la classification d’une image. Après avoir effectué une première segmentation de l’image, l’utilisateur peut ensuite
créer différents niveaux qui s’empilent les uns sur les autres, en morcelant ou fusionnant les objets issus de la
segmentation initiale. Ainsi, une image peut être segmentée plus ou moins finement; chaque niveau de segmentation
s’emboîtant avec le précédent et le suivant. Les objets créés à chaque niveau sont reliés entre eux par un réseau
hiérarchique permettant à l’utilisateur d’exploiter les relations entre les différents niveaux pour optimiser les procédures
de classification et les fonctions d’appartenance. En effet, chaque objet créé «connaît» son voisinage, son contexte, ses
«sous-objets» et «super-objets» (fig. 2). La segmentation multi-résolution permet également de traiter simultanément
des données de source, de nature et de résolution différentes.

240
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Figure 2: Principes de la segmentation multi-résolution (modifié de Willhauck, 2000).

Figure 2: Multi-resolution segmentation rules (adapted from Willhauck, 2000).

3.1.3. Classification de l’image

Le logiciel Definiens propose deux types d’approches pour la classification des objets. La méthode classique du «plus
proche voisin» se base sur un algorithme de maximum de vraisemblance et est fondée sur l’acquisition (saisie ou
importation) d’objets d’entraînement par l’utilisateur. La seconde méthode fait appel à des fonctions d’appartenance.
Les fonctions statistiques d’appartenance peuvent prendre en compte plusieurs paramètres tels que la valeur spectrale
des objets (descripteurs statistiques fondés sur la somme de la valeur spectrale des pixels composant cet objet), leur
forme, leur taille, leur texture, leur distance à un autre objet... Les fonctions d’appartenance sont définies en utilisant les
potentialités de la logique floue. Contrairement à la logique booléenne qui raisonne en termes de «vrai» ou «faux» (0
ou 1) (un objet appartient à une classe unique), la logique floue utilise l’ensemble des valeurs comprises entre 0 et 1 où
0 est associé à «faux» et 1 à «vrai». Les valeurs entre 0 et 1 représentent la transition entre le totalement faux et le
totalement vrai. En représentant l’incertitude, la logique floue permet d’appréhender le monde réel (Jensen, 2005).
Approche heuristique par système expert (Robin, 1998), le processus de classification est ensuite basé sur la
formulation d’un certain nombre de règles de connaissance définies par l’utilisateur pour chaque type d’objets à classer.
Plusieurs règles de connaissances peuvent être combinées pour définir la règle de classification d’un objet donné. Cette
règle de classification peut comporter des règles de connaissances correspondant soit à la méthode «plus proches
voisins», soit à la méthode des «fonctions d’appartenance», soit à un mélange des deux. Afin de transcrire au mieux la
complexité des relations entre les objets à extraire de l’image, la classification est basée sur la construction d’un réseau
hiérarchique d’objets / de classes. La connaissance est structurée à différents «niveaux». La hiérarchie des objets
transcrit tout d’abord l’emboîtement de ces derniers en fonction des différents niveaux de segmentation. Le principe de
classes «parents» et «enfants» permet en outre un héritage de la structure physique, c’est-à-dire des règles de
connaissance, entre plusieurs classes. Enfin le principe de «groupes» autorise un regroupement sémantique de classes
(fig. 3).
Les objets peuvent être classés en fonction de leurs relations avec des objets voisins, ou bien situés au-dessus ou au
dessous d’eux. Ces relations sont traduites par les fonctions d’appartenance. Un objet peut par exemple être classé en
«urbain» s’il se trouve à une distance minimale d’autres objets classés comme «urbains». Dans ce cas, la procédure
de classification prend en compte ces relations entre objets et se déroule avec un certain nombre d’itérations
paramétrables par l’utilisateur.

241
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Figure 3: Définition des classes «parents» et «enfants» en fonction de la hiérarchie et des groupes (modifié de Benz et al., 2004).
Figure 3:«Parent» and «child» classes definitions depending on inheritance and groups.

3.2. Méthode mise en œuvre

Sur la base de ces principes, la production d’une couche d’information relative à l’occupation des sols par classification
orientée-objet s’est déroulée en quatre étapes successives: élaboration de la typologie, traitement de l’image,
intégration dans une base d’information géographique et validation des résultats (fig. 4).

3.2.1. Typologie
La première étape de la démarche consiste à élaborer une typologie de l’occupation des sols au 1/25 000ème, échelle
adaptée à la description de l’occupation des sols sur un secteur de la taille du Pays de Brest. Cette typologie sert de
cadre à la classification de l’image SPOT 5. Elle tient compte des typologies en usage: Corine Land Cover (CLC) 2000
et le volet «occupation et usage des sols» de l'Inventaire Permanent du LIttoral (IPLI). Produite dans le cadre du
programme européen CORINE, Corine Land Cover est une base de données cartographique servant de référence pour
l’ensemble de l’Europe. Elle décrit l’occupation et l’utilisation des sols pour 29 états européens à deux dates: 1990 et
2000 Elle est fondée sur une typologie à trois niveaux autorisant une description du territoire à plusieurs échelles en
fonction des besoins. Le niveau le plus fin décrit le territoire au 1/100 000 en 44 classes, dont 7 concernent plus
spécifiquement la zone côtière. Le niveau intermédiaire utilisable au 1/500 000 et 1/1 000000 comprend 15 classes, et
le niveau le plus grossier est constitué de 5 classes décrivant les grandes catégories d’occupation des sols repérables à
l’échelle de la planète (IFEN, http://www.ifen.fr/donIndic/Donnees/corine/presentation.htm). L’IPLI, base de données
plus ancienne mise en place en 1977, décrit spécifiquement la zone côtière de la France métropolitaine au 1/100 000 et
1/25 000 sur une distance moyenne de 5 à 10 kilomètres à l’intérieur des terres et de 5 kilomètres en mer par rapport au
trait de côte. La donnée avait vocation à être réactualisée tous les cinq ans, mais le projet s’est limité à la production de
deux couches d’information: un état initial en 1977 et une actualisation partielle des données en 1982 (Géolittoral,
http://www.geolittoral.equipement.gouv.fr/article.php3?id_article=9). Sur les 43 classes que comptent l’IPLI, 29 d’entre
elles décrivent plus spécifiquement l’occupation des sols.

242
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Figure 4: Organigramme méthodologique.

Figure 4: Organization chart.

243
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

De manière à tester l’approche à trois niveaux scalaires, la nomenclature hiérarchisée de Corine Land Cover est
conservée. Le niveau 1 au 1/500 000 décrit sommairement l’occupation des sols en 5 classes. Le niveau 2 au 1/100 000
en 14 classes correspond du point de vue scalaire au niveau 3 de Corine Land Cover. Le niveau 3 au 1/25 000 en 22
classes correspond au niveau de description de l'IPLI. De manière à permettre des comparaisons ultérieures, les
correspondances entre cette nouvelle typologie et les données existantes (Corine Land Cover et IPLI) sont conservées.
La typologie définitive est élaborée à la suite de tests de classification réalisés sur des extraits de l’image SPOT 5. Ont
été retenues des classes pertinentes pour l’étude des changements d’occupation des sols en zone côtière et ne nécessitant
pas un temps de traitement trop important. Au niveau le plus fin de la typologie, huit classes décrivent les zones
artificialisées, deux classes les terres agricoles, six classes les forêts et milieux naturels et semi-naturels, quatre classes
la bande littorale et deux classes les surfaces en eau (tableau 1).

Tableau 1: Typologie utilisée pour la classification de l’image SPOT 5.

Tableau 1: SPOT 5 imagery land cover classification scheme.

Le choix d’établir une typologie originale plutôt que d’utiliser les typologies CLC ou IPLI résulte du constat suivant.
Certaines classes de l’IPLI souffrent d’une définition trop floue, ou sont trop directement liées à une démarche de
photo-interprétation. C’est le cas par exemple de la classe «tissu mixte» qui correspond à un «mélange hétérogène de
différents types d’habitats, d’industries et de commerces», ou encore de la classe «espaces en mutation» décrite
comme des «espaces dont l’aspect dégradé laisse présager d’un changement d’affectation (terrain vague, friches
industrielles, carrières ou décharges abandonnées)». Les espaces urbanisés sont très détaillés, avec des distinctions
difficiles à effectuer par traitement d’image sans l’apport de données complémentaires. C’est par exemple le cas de la
classe «habitat touristique spécifique». Quant à la typologie CLC, elle est peu adaptée au traitement de l’image du fait
que certaines classes sont trop agrégées tandis que d’autres sont trop détaillées. Ainsi les classes CLC décrivant les
densités d’habitats sont limitées au «tissu urbain continu» et au «tissu urbain discontinu», ce qui est insuffisant à
l’échelle du territoire étudié. A l’inverse, les classes correspondant à la végétation et aux structures agricoles de CLC
sont trop détaillées pour les besoins de l’étude qui n’a pas vocation à traiter de la végétation en particulier, mais à
décrire l’occupation des sols à l’échelle d’un territoire.

3.2.2 - Traitement de l’image

Le traitement de l’image s’appuie sur trois étapes successives: la production d’informations en appui à la classification,
la segmentation et la classification.

244
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Production d’informations en appui à la classification

Une couche thématique «bande littorale» est utilisée pour améliorer les performances de la classification après que
plusieurs tests aient montré d’importantes confusions entre les objets «littoraux» et certains objets «terrestres», et ce
même après l’utilisation d’une fonction statistique d’appartenance déterminant une distance à la classe «mer». Cette
couche thématique, numérisée à l’écran à partir de l’image SPOT 5 englobe les objets de cette interface tels que la mer,
la végétation littorale rase / végétation dunaire, les estrans sableux et vaseux, les falaises et rochers, les algues et les
broussailles littorales. La donnée produite est importée sous forme de couche thématique au sein du projet et fusionné à
l’image SPOT 5, permettant l’obtention d’un supplément d’information pour la classification de l’image.
De la même façon, une couche thématique «cours d’eau» est intégrée au projet. Elle est extraite de la base de données
Carthage fournie par l’IGN. Elle permet d’augmenter les performances de classification des objets «prairies humides»
en intégrant une fonction statistique d’appartenance fondée sur la distance à un cours d’eau.

Segmentation
Considérant les nombreux avantages de la segmentation multi-résolution sur les autres méthodes (Blaschke & Strobl,
2001, Schiewe et al., 2001), seul cet algorithme est employé au cours du traitement de l’image SPOT 5. Les différents
paramètres de segmentation utilisés sont formalisés de manière empirique à l’issue d’une longue phase de tests sur des
extraits d’image et de comparaisons des résultats obtenus.
En ce qui concerne la construction du réseau hiérarchique de classes, Puissant & Weber (2004) ont démontré les
avantages d’une approche déductive par rapport à une approche linéaire. L’approche linéaire est définie par une
combinaison linéaire de règles spécifiques, chaque ensemble de règles permettant d’identifier un type d’objet.
L’approche déductive consiste quant à elle à effectuer une succession de masques en classant d’abord des objets
aisément identifiables comme l’eau, et en créant ensuite une seconde classe «non eau» composée de tous les objets ne
correspondant pas aux règles de connaissance de la classe «eau». Les objets classés ensuite sont alors définis comme
des «enfants» de la classe «non eau», et héritent ainsi de ses caractéristiques physiques. L’ensemble du réseau
hiérarchique de classes est donc construit sur une succession d’exclusions, qui a pour effet d’augmenter la
discrimination entre les objets et les performances de la classification. Les règles de connaissance implémentées au sein
de chaque classe sont uniquement basées sur des fonctions statistiques d’appartenance. La méthode des plus proches
voisins fondée sur la saisie d’objets d’entraînement est volontairement écartée dans le cadre de cette étude afin de
permettre une reproductibilité optimale de la méthode (Chubey et al., 2006; Puissant et al., 2006). Le tableau 2 recense
l’ensemble des fonctions d’appartenance utilisé pour la classification de l’image.

Classification de l’image
Au vu d’une part de l’hétérogénéité et de la taille de l’image et, d’autre part, de la complexité des objets à extraire,
l’image SPOT 5 est soumise à trois classifications successives. La première classification «primaire» permet non
seulement d’identifier un maximum d’objets simples, mais aussi de préparer l’identification d’objets plus complexes.
La classification «secondaire» sert à identifier les objets non classés lors de la classification primaire, à l’exception des
objets urbains et des bâtiments dont le traitement fait l’objet d’une classification «tertiaire». Précisons que ces trois
classifications sont totalement indépendantes des trois niveaux hiérarchiques de la typologie.

(1) Classification primaire

L’image SPOT 5 et la couche thématique «bande littorale» sont fusionnées au sein d’un projet pour ne former qu’une
image unique. Afin d’effectuer la première classification, cette image est segmentée en utilisant les critères décrits dans
le tableau 3. En raison de la grande diversité des objets à identifier, un poids égal est attribué aux trois bandes de
l’image SPOT 5 (vert, rouge et proche infrarouge).
Un réseau hiérarchique d’objets est mis en place pour la classification primaire. Deux groupes d’objets sont créés:
«rural» et «urbain». La distance à ces groupes constituant une règle de classification pour certains objets, la
classification prend en compte les relations entre objets et est donc effectuée avec un certain nombre d’itérations (cinq).
Les objets sont ensuite fusionnés par classe. A l’issue de la classification, les objets classés correspondant à une classe
de la typologie sont exportés au format vectoriel (.shp) (export 1). La totalité de cette première classification est enfin
exportée au format matriciel (.tif) sous le nom de «classification1». Cette image est créée dans le but d’apporter un
complément d’information sous forme de couche thématique lors de la classification secondaire.

(2) Classification secondaire

Le but de ce second traitement est d’identifier des objets «ruraux» complexes qui n’ont pu être classés de manière
satisfaisante lors de la classification primaire. L’image «classification1» est importée dans un nouveau projet sous
forme de couche thématique. Elle est combinée à l’image SPOT 5 et à la couche thématique «cours d’eau» issue de la
BD Carthage. Une première segmentation est effectuée en utilisant uniquement la couche thématique «classification1»
pour retrouver les contours des objets classés et fusionnés lors de la classification primaire. En utilisant la segmentation
multi-résolution, certains types d’objets sont alors sous-segmentés en fonction de la classe à laquelle ils appartiennent

245
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

(tableau 3). Le poids attribué aux trois bandes de l’image SPOT 5 varie en fonction de leur intérêt pour l’identification
des objets. Un nouveau réseau hiérarchique est proposé pour classer le maximum d’objets «ruraux». Ces derniers sont
ensuite exportés au format vectoriel (export 2).

Tableau 2: Fonctions d’appartenance utilisées pour le traitement de l’image.

Tableau 2: Membership functions used for the classification.

246
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Tableau 3: Critères de segmentation pour les classifications primaire, secondaire et tertiaire.
Tableau 3: First, second and third classification segmentation criterions.

(3) Classification tertiaire

Le troisième traitement ne concerne que les objets appartenant à un environnement urbain, ainsi que les bâtiments et les
parcelles construites, qui n’ont pas été classés lors de la classification précédente. Un groupe d’objets «urbain» est
constitué afin de préparer la classification tertiaire: il comprend un groupe «environnement urbain» concernant
l’ensemble des objets constitutifs du milieu urbain et un groupe «bâtiments » concernant uniquement les maisons,
immeubles et bâtiments industriels situés en milieu rural et en milieu urbain. Les potentialités de l’analyse multi-échelle
sont utilisées ici afin de discriminer les densités urbaines, et deux niveaux empilés l’un sur l’autre sont créés. Dans un
niveau 1 supérieur, tous les objets appartenant au groupe «environnement urbain» sont fusionnés, puis grossièrement
segmentés (tableau 3). Un niveau 0 est créé en dessous du niveau 1, où les objets appartenant au groupe «bâtiments»
sont fusionnés, puis très finement segmentés (tableau 3). A l’issue de cette étape de fusion et segmentation, un réseau
hiérarchique d’objets est construit pour classer les objets des niveaux 0 et 1 simultanément. L’objectif au niveau 0 est de
discriminer les «jardins», «maisons» et «objets blancs» pour formaliser des règles de connaissances basées sur la
densité et la nature du bâti et d’aider à l’identification des classes «tissu urbain dense», «tissu urbain discontinu»,
«tissu semi-urbain» et «zone industrielle et commerciale» au niveau 1. A l’issue de cette classification tertiaire,
l’ensemble des différentes classes constitutives du milieu urbain est identifié. Les objets urbains ainsi classés sont
fusionnés par classe et exportés au format vectoriel (export 3).
Lors du traitement d’image, une quantité importante de données spatiales, spectrales, et contextuelles relatives aux
objets décrivant l’occupation des sols en zone côtière est recueillie. Dans un souci de formalisation et de diffusion
ultérieure, un dictionnaire des règles de connaissance est mis en place. Cette démarche s’inscrit dans le cadre de la
réflexion actuelle sur la mutualisation de la connaissance et la définition de bases de données sémantiques, et se traduit
par la construction d’une ontologie réutilisable dans les procédures de classification (Puissant et al., 2006; Roussey et
al., 2004). Ces données sont référencées sous forme de fiches (fig. 5).

3.2.3. Intégration dans une base d’information géographique (BIG)

Les classifications successives sont importées dans la BIG: la première à l’issue de la classification primaire, la
seconde à l’issue de la classification secondaire (tous les objets sauf les objets «urbains»), la dernière à l’issue de la
classification tertiaire (les objets «urbains»). Il résulte donc de ces trois classifications trois couvertures de polygones,
nommées export 1, export 2 et export 3. Dans un premier temps, un même traitement est appliqué à chacune de ces trois
couvertures. Des classes sont unies pour être en cohérence avec la typologie établie. En effet, les tables attributaires des
couvertures issues de Definiens contiennent un champ «CLASS» indiquant la classe à laquelle appartient le polygone.
Mais certaines classes de la typologie sont composées de différents types d’objets dans la classification. Ainsi, la classe
«terres cultivées» est constituée des objets «talus», «sols nus ruraux» et «champs», et les attributs «CLASS» de
ces polygones seront donc «talus», «sols nus ruraux» et «champs», et non pas «terres cultivées». En ce sens, un
attribut «CODE3» est créé, et l’ensemble des polygones est recodé pour correspondre à la typologie au niveau scalaire
le plus fin.
Dans un second temps, ces trois couvertures sont réunies par une procédure d’union.
Puis dans un troisième temps, une série de traitement est appliquée à cette couverture unique. Leur taille les rendant
superflus au sein de la couche de polygones, les objets ayant une taille inférieure à 100 m_, c’est-à-dire à un pixel, sont
éliminés. Une opération de dissolution des contours d’objets est réalisée afin de regrouper les polygones adjacents
décrits par la même classe attributaire «CODE3» et de réduire ainsi le nombre de polygones contenus dans la
couverture. Enfin, deux nouveaux champs attributaires «CODE1» et «CODE2» sont créés pour cette couverture, et

247
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

renseignés en fonction de la typologie. Les trois niveaux scalaires apparaissent donc dans la structure attributaire de la
couverture finale. Il résulte de ces traitements une couverture unique «ocsol 03» composée de 74326 polygones ayant
une taille minimale de 100m_ et renseignée par 6 attributs: un identifiant, la taille et le périmètre de chaque polygone,
et les codes correspondant aux trois niveaux de la typologie.

3.2.4. Validation de la classification

La performance globale du traitement est évaluée aux trois niveaux de description typologique par la construction de
matrices de confusions inspirées de celles proposées par Congalton (1991) ou Girard & Girard (2004). L’ensemble des
points levés sur le terrain et sur les orthophotographies est stocké dans une couche d’information ponctuelle. Une zone
tampon ou buffer de 1 m (pour demeurer en dessous de la taille du pixel) est calculée autour de chacun de ces points
afin d’obtenir une information polygonale. Ces polygones sont décrits par trois codes (niveau 1, 2 et 3). Cette couche
est ensuite intersectée avec la couche d’occupation des sols issue du traitement de l’image SPOT 5, afin de comparer les
résultats de la classification avec les données de terrain. La formulation de requêtes croisées permet ensuite de recueillir
les données alimentant les matrices de confusion aux trois niveaux de description pour évaluer les erreurs d’omission et
de commission (Jensen, 2005). La performance finale de la classification et l’indice de Kappa sont également calculés
(Congalton, 1991).

Figure 5: Exemple de fiche issue du catalogue de données.

Figure 5: Extract from the data inventory.

4. RÉSULTATS
Il résulte de l’ensemble de ces traitements une couche d’information décrivant l’occupation des sols du Pays de Brest en
2003 aux trois niveaux de précision typologique. La qualité de l’information produite est évaluée pour chacun de ces
niveaux.

4.1. Niveau 1
La carte de l’occupation des sols du Pays de Brest au niveau 1 est présentée figure 6.
La performance globale de la classification au niveau 1 est de 88,6 %, avec un indice de Kappa de 85 %. Les résultats
selon les types de milieux sont relativement homogènes, puisqu’ils dépassent les 70 % de précision pour le producteur,
avec cependant de meilleurs résultats pour les zones artificialisées, la bande littorale et les surfaces en eau. Les résultats
obtenus pour les terres agricoles sont plus faibles, avec seulement 72,2 % de polygones bien classés.

248
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Figure 6: Carte de l’occupation des sols du Pays de Brest et matrice de confusion de la classification de l’image SPOT 5 au niveau1.
Figure 6: Pays de Brest land cover map and confusion matrix at level 1.

249
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

4.2. Niveau 2
Un extrait de la carte de l’occupation des sols du Pays de Brest au niveau 2 est présenté figure 7.
La performance globale de la classification au niveau 2 est de 78,8 % avec un indice de Kappa de 76,4 %.
Contrairement au niveau 1, on observe des disparités dans les résultats obtenus. Certaines classes obtiennent de mauvais
résultats tels que les «infrastructures et grands équipements» (44 % de polygones bien classés) qui se confondent avec
les classes «habitat», «zone industrielle / commerciale» et «terre cultivée, prairie», ou encore les «zones humides»
(41,8 % de polygones bien classés) qui présentent des confusions avec les «terres agricoles», les «forêts et
plantations» et les «broussailles». Les «carrières, décharges, chantiers» sont également assez mal classés, avec une
performance globale de seulement 43,3 %, les confusions avec les classes «habitat», «zone industrielle /
commerciale» et «terre cultivée, prairie» étant nombreuses. Les «équipements sportifs et de loisirs» et les
«broussailles» ne comptent également qu’entre 50 et 60 % de polygones bien classés. Les «zones industrielles /
commerciales» (78 %) et les «terres cultivées, prairies» (72,2 %) sont également en dessous du seuil des 80 %. Les
résultats obtenus pour les objets littoraux sont excellents (entre 90 % et 94 %). l’ «habitat» obtient également de très
bons résultats (98,7 % de polygones bien classés).

4.3. Niveau 3
Un extrait de la carte de l’occupation des sols du Pays de Brest au niveau 3 est présenté figure 8.
La performance globale de la classification au niveau 3 est de 75,3 % avec un indice de Kappa de 74 %.
Les disparités en terme de qualité de la classification, observées au niveau 2, s’accentuent. Les «zones humides
intérieures» obtiennent les plus mauvais résultats (28 % de polygones bien classés), les confusions avec les «terres
cultivées et prairies» et les «broussailles» étant nombreuses. D’autres objets assez mal classés apparaissent: «cultures
hors-sol et sous serres», «prairies humides», «forêts de résineux». Ces trois classes présentent des confusions
importantes avec les classes «forêt de feuillus ou mixte» et «terres cultivées, prairies». Pour les objets des zones
artificialisées, les résultats sont inégaux, avec de très bonnes performances pour l’habitat (90 % pour le «tissu urbain
dense», 94 % pour le «tissu urbain discontinu», et 96 % pour le «tissu semi urbain»), mais des confusions dans
l’identification des autres objets («équipements sportifs», «équipements de loisirs», «carrières, décharges,
chantiers», «infrastructures / grands équipements»).

250
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Figure 7: Extrait de la carte de l’occupation des sols du Pays de Brest et matrice de confusion de la classification de l’image SPOT 5
au niveau 2.
Figure 7: Extract of Pays de Brest land cover map and confusion matrix at level 2.

251
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Figure 8: Extrait de la carte de l’occupation des sols du Pays de Brest et matrice de confusion de la classification de l’image SPOT 5
au niveau 3.
Figure 8: Extract of Pays de Brest land cover map and confusion matrix at level 3.

252
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

5. DISCUSSION
On remarque classiquement une diminution de la qualité de la classification avec la précision typologique de
l’occupation des sols. Si les résultats obtenus pour le niveau 1 (88,6 %) sont au dessus du seuil recommandé de 85 % de
pixels bien classés pour une classification acceptable (Foody, 2002), ils passent en dessous de ce seuil aux niveaux 2
(78,8 %) et 3 (75,3 %). Ces résultats globaux masquent cependant des disparités importantes entre les classes. Les
classes «broussailles» et «cultures hors sols et sous serres» au niveau 3 sont relativement mal classées. Les mauvais
résultats de la classe «broussailles» sont probablement liés à la date d’acquisition de l’image (avril) qui ne correspond
pas aux conditions optimales pour la détection de la végétation (Girard & Blasco, 1996). De plus, plusieurs images
acquises à différentes saisons auraient sans doute permis de discriminer plus aisément broussailles et terres cultivées,
ainsi que cultures hors sol et terres cultivées au niveau 3. De même, l’utilisation de plusieurs images aurait
probablement permis d’améliorer les résultats de la classification pour les zones humides et les prairies humides
d’autant plus que la date d’acquisition de l’image employée (avril 2003) coïncidait avec une période de déficit
pluviométrique important qui s’est produit sur le Finistère entre janvier et mai. En outre Smith et al., (2003) ont montré
que l’hétérogénéité de la structure paysagère d’une image est susceptible d’avoir un impact défavorable sur la qualité de
la classification. Or l’espace considéré dans cette étude, et particulièrement le littoral, présentent une forte hétérogénéité
liée à la topographie (plateau entaillé de vallons) ainsi qu’à une tradition d’habitat dispersé accentuée par l’évolution
urbaine récente caractérisée par un mitage de l’espace agricole, qui est lui-même soumis à une certaine déprise dans les
secteurs les moins adaptés à l’agriculture mécanisée. A contrario, les bons résultats des classes de la bande littorale
justifient l’utilisation d’une couche thématique pour la discrimination de classes porteuses de confusions. En effet, des
tests préliminaires révélaient d’importantes confusions entre certaines classes, comme par exemple entre les estrans
sableux et certains territoires artificialisés. L’hétérogénéité paysagère de la zone littorale augmentait également les
risques de confusions. Le recours à la couche thématique «bande littorale» permet de traiter cet espace complexe
indépendamment du reste de l’image, et donc d’améliorer les performances de la classification. Enfin, les très bons
résultats des classes «tissu urbain dense», «tissu urbain discontinu» et «tissu semi-urbain» confirment l’intérêt de la
segmentation multi-résolution et le recours à des règles de classification basée sur une analyse multi-échelle des
densités de bâti.
Néanmoins si l’on compare les résultats obtenus avec des études ayant porté sur la production d’une information sur
l’occupation ou l’utilisation des sols, il apparaît que les performances globales des classifications sont sensiblement les
mêmes (tableau 4).
Pour sa classification en 19 classes de l’utilisation des sols de la région de Varsovie, Lewinsky (2005) obtient une
performance globale de 86,3 %, avec une utilisation combinée de l’approche «plus proches voisins» et fonctions
d’appartenance. Van der Sande et al. (2003) ont utilisé le même type de méthode mixte et parviennent à une
performance globale de 74 % pour une classification de l’occupation des sols en 17 classes. Corbane et al. (2004)
obtiennent une précision de 87,3% pour la classification en 14 classes d’une image ASTER. Enfin Lucas et al. (2007)
obtiennent un résultat global de 84,9 % pour une classification de la végétation et des cultures en11 classes,
classification entièrement fondée sur la formulation et l’implémentation de règles de connaissances. Dans tous les cas
les disparités entre les classes sont notables. Corbane et al. (2004) parviennent à une précision de 100% pour la classe
«tissu urbain continu», mais de 34,5% pour la classe «sol nu blanc». Il en va de même pour Lucas et al. (2007) avec
un résultat de 100% pour la classe «forêt de conifères», mais de 48% pour la classe «lande sèche».
Dans le cadre de classifications portant sur des objets spécifiques, ou sur un nombre de classes inférieur à 10, les
résultats sont généralement meilleurs. Willhauck, 2000, Kressler et al., 2003, Flanders et al., 2003, Chubey et al., 2006
obtiennent des performances globales très proches au supérieures à 90 %, mais avec un nombre réduit de classes (entre
4 et 8) (tableau 4).
Il est possible que les résultats de cette étude aient été améliorés en ayant recours aux objets d’entraînement et
l’approche «plus proches voisins». Cette méthode relativement intuitive aurait de plus probablement permis un gain de
temps non négligeable par rapport à la formalisation de règles de connaissance. En contrepartie la reproductibilité de la
méthode en aurait été réduite d’autant.

253
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Tableau 4: Exemples d’études basées sur la méthode orientée-objet.

Tableau 4: Examples of object-based studies.

254
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

6. CONCLUSION
Dans notre étude, la finalité du traitement de l’image SPOT 5 était de disposer de données relativement récentes sur
l’occupation des sols du Pays de Brest, comparables avec des données antérieures de source et de nature différentes. La
comparaison des deux inventaires permettra de réaliser un diagnostic des changements d’occupation des sols intervenus
sur cet espace en 25 ans et servira de base à l’élaboration d’un modèle fonctionnel utilisable dans des scénarios
exploratoires.
A partir d’une image du satellite SPOT 5, l’occupation des sols a été extraite à trois niveaux de précision typologique en
utilisant une approche orientée-objet. Les résultats sont de qualité variable en fonction de la précision typologique et de
la nature des objets. En termes de qualité globale, ils sont acceptables si on les comparent à des résultats obtenus avec
des méthodes «classiques» ou à d’autres études ayant eu recours à la méthode orientée-objet..
Avec des performances le plus souvent supérieures, la démarche orientée-objet offre des avantages considérables sur les
classifications classiques pixel à pixel. L’analyse centrée sur l’objet limite pour des images à haute et très haute
résolution l’effet «poivre et sel» que l’on peut trouver avec une approche centrée sur le pixel. L’utilisateur est
également totalement maître des procédures de classification des objets grâce aux fonctions d’appartenance,
contrairement à une classification supervisée basée sur le pixel où le processus de classification est inféodé aux
parcelles d’entraînement, et uniquement à celles-ci. Mais la procédure est plus complexe dans la mesure où elle intègre
différents niveaux d’analyse hiérachisés. En résumé, la démarche orientée-objet est assez proche d’une démarche de
photo-interprétation: elle en a les avantages sans les inconvénients. Le traitement numérique de l’information
géographique garantit l’homogénéité des résultats sur l’ensemble de l’image. De plus, la démarche cognitive d’un
photo-interprète est transcrite par l’analyse multi-échelle. Néanmoins la méthode implique une connaissance experte
des objets et de nombreux tests nécessaires à la détermination des paramètres de segmentation optimaux (Schiewe et al.,
2001). Ces paramètres sont en outre variables d’une image à l’autre, et spécifiques aux résultats attendus. Les concepts
de segmentation multi-résolution et de réseau hiérarchique de classification peuvent être difficiles à traduire
concrètement, et malgré une phase de réflexion, l’implémentation peut ne pas forcément aboutir aux résultats
escomptés. Si l’on ne dispose pas de données préalables sur les objets, la collecte d’informations pour la formulation
des multiples fonctions statistiques d’appartenance et définition de règles de connaissance satisfaisantes peut également
se révéler très longue. Une investigation systématique des très nombreuses informations disponibles sur les objets,
ponctuée par de nombreux tests et ajustements, est en effet souvent nécessaire.
La «complexité» de la méthode à mettre en œuvre et de l’important volume de données de référence à collecter est
cependant largement compensé par l’homogénéité de traitement appliqué à l’échelle d’une image, ainsi que par sa
reproductibilité sur les territoires adjacents ou à d’autres dates à partir d’images du même type. Autant de possibilités
que n’offre pas la photo-interprétation comme en témoignent les difficultés de mise à jour des cartographies IPLI et
Corine Land Cover.

7. RÉFÉRENCES
Aguejdad, R., Hubert-Moy, L. and Clergeau, P. (2006) “Object oriented image analysis for mapping urban expansion in western
France”. P. 2317-2321 in Proceedings of the International Geoscience and Remote Sensing Symposium, Denver, 31 juillet –
4 août 2006, 4208 p.
Baatz, M. and Schäpe, A. (2000) Multiresolution segmentation : an optimization approach for high quality multi-scale image
segmentation. P. 12-23 in Strobl, J., Blaschke, T., Griesebner, G. (réd.) Proceedings of the Angewandte Geographische
Informationsverarbeitung XII Beiträge Zum AGIT-Symposium Salzburg 2000.
Benz, U. C., Hofmann, P., Willhauck, G., Lingenfelder, I. and Heynen, M. (2004) “Multi-resolution, object-oriented fuzzy analysis
of remote sensing data for GIS-ready information”. ISPRS Journal of photogrammetry and remote sensing, vol. 58, p. 239-
258.
Bersani, C., Simoni, M. L., Allain, Y. M., Ribière, G., Denègre, J., Planques, P., et Tugayé, Y. (2006) Rapport relatif au schéma
d'organisation des dispositifs de recueil de données et d'observation sur le littoral. Ministère de l'Intérieur, Ministère de
l'Equipement, Ministère de l'Ecologie, 120p. (http://www.ifen.fr/littoral/telecharger/004488-01.pdf)
Blaschke, T. and Strobl, J. (2001) What's wrong with pixels ? Some recent developments interfacing remote sensing and GIS.
GeoBIT/GIS, vol. 6, p. 12-17.
Cicin-Sain, B. and Knecht, R. (1998) “Integrated coastal and ocean management”. Island Press, 517 p.
Chubey, M. S., Franklin, S. E. and Wulder, M. A. (2006) “Object-based analysis of Ikonos-2 imagery for extraction of forest
inventory parameters”. Photogrammetric engineering and remote sensing, vol. 72, no. 4, p. 383-394.
Congalton, R.G. (1991) “A review of assessing the accuracy of classifications of remotely sensed data”. Remote Sensing of the
Environment, vol. 37, p. 35-46.
Corbane, C., Baghdadi, N., Hosford, S., Somma, J. et Chevrel, S. (2004) “Application d'une méthode de classification orientée-objet
pour la cartographie de l'occupation du sol : résultats sur ASTER et Landsat ETM”. Revue française de photogrammétrie et
de télédétection, vol. 175, no 2004-3, p. 13-26.
Desclée, B., Bogaert, P. and Defourny, P. (2006) “Forest change detection by statistical object-based method”. Remote Sensing of
Environment, vol. 102, p. 1-11.

255
 Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre

Definiens Professional 5 (2006) “Reference Book. Munich”, 122 p.

Definiens Professional 5 (2006) “User Guide”. Munich, 249 p.
Flanders, D., Hall-Beyer, M. and Pereverzoff, J. (2003) “Preliminary evaluation of eCognition object-based software for cut block
delineation and feature extraction”. Journal Canadien de télédétection / Canadian Journal of remote sensing, vol. 29, no. 4,
p. 441-452.
Foody, G.M. (2002) “Status of land cover classification accuracy assessment”. Remote Sensing of Environment, vol. 80, p. 185-201.
Girard, C.M. et Blasco, F. (1996) “Végétation herbacée terrestre”. P. 199-266 in Bonn, F. (réd.) Précis de télédétection, vol 2 :
Applications thématiques. PUQ – AUPELF, 633 p.
Girard, M-C. et Girard, C.M. (2004) “Traitement des données de télédétection”. Dunod, Paris, 530 p.
Gourmelon, F., Bioret, F. et Sauve, L. (2005) “Potentialités de l'imagerie satellitaire SPOT 5 pour la cartographie de la végétation
terrestre, application à l'île d'Ouessant (Finistère)”. Cybergeo : Revue européenne de géographie, vol. 325, p. 1-15,
http://www.cybergeo.eu/index3027.html
Hájek, F. (2005) “Object-oriented classification of remote sensing data for the identification of tree species composition”. P. 16-20 in
Olsson, H. (réd.) Proceedings of ForestSat 2005 Conference, Borås, 31 mai – 3 juin 2005, 119 p.
Harken, J. and Sugumaran, R. (2005) “Classification of Iowa wetlands using an airborne hyperspectral image : a comparison of the
spectral angle mapper classifier and an object-oriented approach”. Journal Canadien de télédétection / Canadian Journal of
remote sensing, vol. 31, no. 2, p. 167-174.
Jensen, J. R. (2005) “Introductory digital image processing, a remote sensing perspective”. Prentice-Hall, Londres, 526 p.
Kamagata, N., Akamatsu, Y., Mori, M., Qing Li, Y., Hoshino, Y. and Hara, K. (2005) “Comparison of pixel-based and object-based
classifications of high resolution satellite data in urban fringe areas”. 6 p. in Proceedings of the 26th Asian Conference on
Remote Sensing, Hanoi, 7-11 novembre 2005.
Le Berre, I., Giraudet, J. et Hénaff, A., (2005) “Suivi du littoral par SPOT 5 : cartographie de l'occupation des sols”. Photo-
Interprétation, vol. 41, no. 3, p. 3-11.
Lewinski, S. (2005) “Land use classification of ASTER image, Legionowo test site”. 8p. in Proceedings of the 25th EARSeL
Symposium, Porto, 6-11 juin 2005.
Lucas, R., Rowlands, A., Brown, A., Keyworth, S. and Bunting, P. (2007) “Rule-based classification of multi-temporal imagery for
habitat and agricultural land cover mapping”. ISPRS Journal of photogrammetry and remote sensing, vol. 62, p. 165-185.
McDermid, G.J., Pape, A., Chubey, M.S. and Franklin, S.E. (2003) “Object oriented analysis for change detection”. 4 p. in
Proceedings 25th Canadian Symposium on Remote Sensing, Montréal, 14-16 octobre 2003.
Puissant, A. et Weber, C. (2004) “Démarche orientée ‘objets-attributs’ et classification d'images THRS”. Revue française de
photogrammétrie et de télédétection, vol. 173-174, p. 123-134.
Puissant, A., Sheeren, D., Weber, C., Wemmert, C., Gançarski, P. (2006) “Amélioration des connaissances sur l'environnement
urbain: intérêt de l'intégration de règles dans les procédures de classification”. 5 p. in Actes du colloque Interactions Nature-
Société, analyse et modèles, La Baule, 3-6 mai 2006, .
Rego, F. L., Koch, B (2003) “Automatic classification of land cover with high resolution data of the Rio de Janeiro city Brazil
comparison between pixel and object classification”. P. 153-157 in Carstens, J. (réd.) Remote Sensing of Urban Areas.
Robin, M. (1998) La Télédétection. Nathan, Paris, 318 p.
Roussey, C., Laurini, R., Beaulieu, C., Tardy, Y. et Zimmermann, M. (2004) “Le projet Towntology, un retour d'expérience pour la
construction d'une ontologie urbaine”. P. 217-237 in Vangenot, C. (réd.) Les Ontologies spatiales, Hermès Lavoisier, Paris.
Schiewe, J., Tufte, L. and Ehlers, M. (2001) “Potential and problems of multi-scale segmentation methods in remote sensing”.
GeoBIT/GIS, vol. 6, p. 34-39.
Smith, J. H., Stehman, S. V., Wickham, J. D. and Yang, L. (2003) “Effects of landscape characteristics on land-cover class
accuracy”. Remote Sensing of Environment, vol. 84, p. 342-349.
Townshend, J. R. G., Huang, C., Kalluri, S. N. V., DeFries, R. and Liang, S. (2000) “Beware of per-pixel characterization of land-
cover”. International Journal of remote sensing, vol. 21, no. 4, p. 839-843.
Van der Sande, C. J., de Jong, S.M. and de Roo, A. P. J. (2003) “A segmentation and classification approach of IKONOS-2 imagery
for land cover mapping to assist flood risk and flood damage assessment.” International Journal of applied earth observation
and geoinformation, vol. 4, p. 217-229.
Willhauck, G. (2000) “Comparison of object oriented classification techniques and standard image analysis for the use of change
detection between SPOT multispectral satellite images and aerial photos”. ISPRS Journal of photogrammetry and remote
sensing, vol. 33,8 p.

256